Python爬虫框架Scrapy

Scrapy是一个流行的Python爬虫框架, 用途广泛.

使用pip安装scrapy:

pip install scrapy

scrapy由一下几个主要组件组成:

• scheduler: 调度器, 决定下一个要抓取的url, 核心是一个任务队列

• scrapy engine: 引擎, 用于控制整个系统的任务和数据流

• downloader: 下载器, 下载目标url的内容并交给spider处理

• spider: 爬虫, 用于分析下载内容, 提取数据项(item)包括获取要继续爬取的url.

• pipeline: 项管道, 接受spider获得item并进行处理.

• downloader middleware: 下载器中间件, 处理engine与downloader之间的请求响应

• spider middleware: 爬虫中间件, 处理engine与spider之间的数据流

• scheduler middleware: 调度器中间件, 处理engine与scheduler之间的数据流

首先engine从scheduler中获得一项任务(url), 并将其封装为一个请求(request)交给downloader.

downloader下载链接内容, 封装为响应(response)交给spider,spider获得item交给pipeline进行处理, 并将需要继续爬取的url交给scheduler.

scrapy使用twisted提供的网络IO异步支持, 性能出色.

第一个Scrapy爬虫

在实际编写爬虫之前,首先要建立一个项目. 在项目目录的父目录中执行命令:

scrapy startproject ScrapyDemo

建立一个名为ScrapyDemo的项目, 目录结构如下:

|- scrapy.cfg
|- ScrapyDemo
	|- __init__.py
    |- items.py
    |- pipelines.py
    |- settings.py
    |- spiders
    	|- __init__.py

spider用于解析页面内容, 生成item.

在spiders包下建立python脚本MySpider:

from scrapy import Spider


class MySpider(Spider):
    name = "cnblogs"
    allowed_domains = ["cnblogs.com"]
    start_urls = [
        "http://www.cnblogs.com/Finley/",
    ]

    def parse(self, response):
        filename = response.url.split("/")[-2]
        with open(filename, 'wb') as f:
            f.write(response.body)

重写Spider类需要定义几个必须的成员:

• name: spider的名字, 必须是唯一的

• start_urls: 起始的url, 爬取时首先从该列表中开始爬取.从这些页面中得到的复合要求的url将被添加到队列中.

• parse(): 负责解析downloader得到的response, 得到items交给pipeline处理.当然上述示例中只是保存了爬取的内容.

parse方法是spider的核心, parse方法可以yield或返回两类对象:

• scrapy.item.Item: item实例将被送入Pipeline进行处理

• scrapy.Request: 请求将加入任务队列, 常用于爬取页内链接

在项目根目录中执行命令开始爬取:

scrapy crawl cnblogs

使用selector分析内容

在spider.parse中使用选择器(selector)来解析html(xml), selector采用XPath表达式来选择XML中的元素.

    def parse(self, response):
        for e in response.xpath('//ul/li'):
            title = e.xpath('a/text()').extract()
            link = e.xpath('a/@href').extract()
            desc = e.xpath('text()').extract()
            print title, link, desc

选择器提供了四个方法:

• xpath(pattern): 通过xpath选择元素

• css(pattern): 通过css选择元素

• extract(): 从元素中提取内容字符串

• re(pattern): 使用正则表达式提取内容, 返回匹配的字符串

常用xpath表达式:

• 'html/head/title' 选择HTML文档中标签内的